用于 LHC 数据推断与分类的可解释深度学习模型
高能物理 - 唯象学
2024-06-06 v2
摘要
喷淋解构方法在区分信号与背景喷流中起着关键作用，它利用了来自微扰部分子喷流的详细信息。该方法根植于 Neyman-Pearson 引理，在理论上被设计用于在高能物理实验中最优地区分信号与背景过程。然而，一个关键挑战源于喷流组分数量增加带来的组合增长，这阻碍了其计算可行性。我们通过证明以下观点来解决这一问题：在顶夸克对量子色动力学（QCD）场景中，通过比较最可能的信号和背景喷流历史导出的似然函数，与对所有潜在历史求和的传统方法在判别上同样有效。我们提出了一种新方法，将最可能喷流历史的识别概念化为马尔可夫决策过程（MDP）。利用复杂的模块化 point-transformer 架构，我们的方法能够高效地学习该任务的最优策略。所开发的神经智能体在构建最可能喷流历史方面表现出色，并在未见的测试数据上展示了强大的泛化能力。值得注意的是，我们的方法减轻了推断过程中固有的复杂性，实现了与喷流组分数量的线性缩放关系。这为信号-背景区分提供了一种计算可行且理论上可靠的方法，为粒子物理中更有效的数据分析铺平了道路。
引用
@article{arxiv.2312.12330,
title = {Interpretable deep learning models for the inference and classification of LHC data},
author = {Vishal S. Ngairangbam and Michael Spannowsky},
journal= {arXiv preprint arXiv:2312.12330},
year = {2024}
}
备注
Extended discussion in section 2.1. Results unchanged. Matches journal version